Prompt Engineering
태스크의 하위 분류와 논문·코드·평가·기법·데이터셋을 탐색하세요.
- 하위 태스크
- 1
- 평가표
- 16
- 보존된 평가 기록
- 191
Prompt engineering is the process of designing and refining the prompts used to generate text from language models, such as GPT-3 or similar models. The goal of prompt engineering is to improve the quality and relevance of the generated text by carefully crafting the prompts to elicit the desired responses from the model.
Prompt engineering involves several steps, including selecting the appropriate model architecture and parameters, designing the prompt format and structure, selecting the appropriate task and training data, and fine-tuning the model using the selected prompt and data.
Prompt engineering is a crucial step in the development of language models, as it can greatly influence the quality and effectiveness of the model's responses. By carefully designing and refining the prompts used to generate text, researchers and developers can improve the accuracy and relevance of the model's output, making it more useful for a wide range of applications, including chatbots, language translation, content creation, and more.
논문
이 태스크와 하위 분야의 관련 논문입니다. 실제 성능 비교는 평가 결과에서 확인하세요.
정제는 본질적으로 편집 가능하다: 생성적 정제 네트워크를 이용한 학습이 필요 없는 프롬프트-투-프롬프트 이미지 편집
보는 것만으로는 충분하지 않다: 비전-언어 모델은 증거를 지각하지만 행동으로 이어지지 못한다
CrowdCue: 비전-언어 군중 계수를 위한 전문가-단서 조건화
고해상도 MLLM에서 텍스트에 더 많은 어텐션을 기울여라
PETR: 비전-언어 모델을 위한 학습 불필요 라우팅 기반 프롬프트 앙상블
InterHier: 오픈 보캐블러리 객체 검출을 위한 상호 연결된 계층적 의미 표현 학습
SRPR-Net: 자동 SAM 기반 인스턴스 분할을 위한 의미 및 관계형 프롬프트 정제
쌍곡 비전-언어 모델을 위한 계층적 프롬프트 학습
에이전틱 포렌식 분석: 오픈월드 가짜 이미지 탐지에서 분류 선별, 프롬프팅, 증거 중재의 역할
다중 모달 객체 재식별을 위한 유인 노이즈 및 구조적 사전 정보 주입
LLM-as-a-Judge는 에이전틱 시나리오에서 루브릭을 신뢰성 있게 검증할 수 있는가?
Hidden-Shot: 저수준 비전 제너럴리스트 모델의 원샷 태스크 일반화를 향하여
대규모 언어 모델과 진화 연산: 양방향 상호작용, 자동화된 알고리즘 설계 및 공적응 시스템에 대한 비판적 검토
다중 에이전트 GIS 시스템 보안: 위험 평가 및 프롬프트 강화 최적화
프롬프트 학습: 적응형 LLM 기반 고등학교 튜터링을 통한 학생 참여도 향상
N체 문제: 1인칭 에고센트릭 비디오로부터의 병렬 실행
LEX-EC: 블랙박스 환경에서 제로샷 LLM 성격 분류를 위한 어휘 증거 채널 감사 프레임워크
Prompt Framing Distorts Count Based Evaluation of LLM Error Detection: Evidence from Numeric Anchoring
Automatic programming via large language models with population self-evolution for dynamic fuzzy job shop scheduling problem
인공적 에파노르토시스: 대규모 언어 모델이 고전 수사학적 기법을 과다 사용하는 이유와 완화 방법
Verbalized Particle Posterior: 자연어 가설에 대한 베이지안 추론
퓨샷 딜레마: 대규모 언어 모델의 과프롬프팅
맞춤형 허위: 개인화가 LLM 안전장치에 미치는 도전
상속 추론에서 어떤 모델이 더 나은 성능을 보이는가?
성별 포용적 재작성을 위한 LoRA 및 반서사 생성을 위한 활성화 조향
전역 규범을 넘어: 재학습 없이 언어 모델의 독성 민감도 개인화
정치적 축을 통한 LLM의 정렬 제어 가능성 감사
언어 모델을 더 공감적으로 이끌기: 인간-LLM 협업을 통한 문화적으로 민감한 정신건강 조언 생성
누가 이름으로 언급되는가: 인용 유형이 그라운딩된 언어 모델의 개인 이름 언급을 예측하며, 명단 기반 측정 도구는 이를 0.5%만 포착한다
대규모 언어 모델에서 어조에 따른 추론 비용 이해
태그 질문과 45개 언어 모델 전반의 아첨 세대별 역전
SyRuP: 보상 유도 예측을 통한 LLM 디코딩에서의 시스템 프롬프트 준수 향상
CONSISTRE: 대규모 언어 모델을 활용한 문서 수준 관계 추출을 위한 통합 일관성 인식 프레임워크
분류 기반 대규모 비전-언어 모델을 통한 문서의 시각적 정보 추출
HALLELUAI: 대규모 초현실적 이미지-투-비디오 생성을 위한 환각 인식 AI 시스템
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.